人民币纸币面额识别方法的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-15页 |
| 1．1 课题的背景及意义 | 第11-13页 |
| 1．1．1 背景 | 第11-12页 |
| 1．1．2 意义 | 第12-13页 |
| 1．2 当前研究情况 | 第13页 |
| 1．3 纸币面额识别的基本过程 | 第13-14页 |
| 1．4 软硬件环境 | 第14-15页 |
| 2 纸币图像的采集及存储格式 | 第15-22页 |
| 2．1 图像采集的基本理论 | 第15-18页 |
| 2．1．1 确定型图像场抽样 | 第15-17页 |
| 2．1．2 图像量化 | 第17-18页 |
| 2．2 图像输入设备 | 第18-20页 |
| 2．2．1 扫描方式 | 第18页 |
| 2．2．2 图像输入设备的选取 | 第18-20页 |
| 2．3 图像表示及存储格式 | 第20-22页 |
| 2．3．1 图像表示 | 第20-21页 |
| 2．3．2 图像的存储格式 | 第21-22页 |
| 3 图像的预处理 | 第22-41页 |
| 3．1 图像的噪声 | 第22-25页 |
| 3．1．1 噪声的特征 | 第22-23页 |
| 3．1．2 噪声的模型 | 第23-24页 |
| 3．1．3 噪声的来源 | 第24页 |
| 3．1．4 图像系统常见噪声 | 第24-25页 |
| 3．2 图像的平滑 | 第25-29页 |
| 3．2．1 邻域平均法 | 第25-26页 |
| 3．2．2 中值滤波 | 第26-29页 |
| 3．3 图像的增强 | 第29-34页 |
| 3．3．1 直方图的概念 | 第29-30页 |
| 3．3．2 直方图修正 | 第30-31页 |
| 3．3．3 直方图均匀化 | 第31-34页 |
| 3．4 图像的阈值分割 | 第34-35页 |
| 3．5 图像的倾斜校正 | 第35-38页 |
| 3．6 纸币图像的定位分割 | 第38-41页 |
| 4 特征提取 | 第41-47页 |
| 4．1 掩膜的概念 | 第41-44页 |
| 4．2 轴对称掩膜 | 第44-45页 |
| 4．3 提取特征 | 第45-47页 |
| 5 基于人工神经网络的纸币面额识别方法 | 第47-71页 |
| 5．1 模式识别概述 | 第47-50页 |
| 5．1．1 模式和模式类 | 第47-48页 |
| 5．1．2 模式识别系统的组成 | 第48-49页 |
| 5．1．3 模式识别方法 | 第49-50页 |
| 5．2 神经网络与模式识别的关系 | 第50-57页 |
| 5．2．1 神经网络简介 | 第50-51页 |
| 5．2．2 神经网络模式识别特点及其模型 | 第51-54页 |
| 5．2．3 反向传播算法(BP算法) | 第54-57页 |
| 5．3 基于 BP神经网络的纸币面额识别方法 | 第57-70页 |
| 5．3．1 输入层和输出层单元数的确定 | 第57-58页 |
| 5．3．2 隐层单元数的确定 | 第58-59页 |
| 5．3．3 初始值和神经元激励函数的选取 | 第59-60页 |
| 5．3．4 仿真实验及结果分析 | 第60-70页 |
| 5．4 小结 | 第70-71页 |
| 6 基于模板匹配的纸币面额识别方法 | 第71-76页 |
| 6．1 传统的二维模板匹配方法 | 第71-73页 |
| 6．2 基于灰度投影的一维匹配算法 | 第73-74页 |
| 6．3 两种模板匹配方法的比较 | 第74-75页 |
| 6．4 小结 | 第75-76页 |
| 7 结论 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 在学研究成果 | 第81-82页 |
| 致谢 | 第82页 |
